摘要：采空区地表裂缝识别对矿区的生产安全和生态环境治理具有重要意义。裂缝检测可以通过语义分割和边缘提取任务实现。已有的深度学习裂缝检测方法通常将其分开处理,无法为后续的几何参数计算和损害程度量化提供足够数据,并且没有考虑到两个任务之间的互补性。本文设计了一个双任务卷积神经网络Goaf-DTNet(Dual-Task Convolutional Neural Network for Goaf Crack Recognition)来同时获取裂缝面状分割和线性踪迹提取结果,通过建立两个任务之间的信息互补来提高模型的精度。在Goaf-DTNet的面状分割分支中,使用了多尺度特征融合提取鲁棒性特征。同时,在裂缝线性踪迹提取分支中,使用面状分割特征对线性踪迹特征提取过程进行引导,提高模型对裂缝的定位精度。为了验证方法的有效性,分别在自建的地表裂缝数据集和公共数据集上进行了实验,实验结果显示本文方法优于其他对比方法。消融实验结果也表明联合训练两个任务可以提升彼此的准确率。除此之外,在真实大场景图像上的实验结果表明本文方法在矿区地表裂缝监测中具有一定的实际应用潜力,可以为矿区监测提供有效数据。

摘要：青藏高原的怒江、澜沧江和金沙江泛三江并流区是青藏高原地质环境研究和自然资源开发的关键带,因此,全覆盖地调查该区活动性滑坡,研究其发育分布规律具有重要意义。以泛三江并流区17.9×10^4 km^2研究区为例,示范了InSAR大数据处理→滑坡解译→发育规律分析→重点区段剖析的滑坡InSAR调查工作流程和关键技术,获得了研究区海拔4000 m以下的的活动性滑坡数据。结果表明:1)现有的SAR数据源、InSAR技术和解译方法可以满足开展大区域中小比例尺活动性滑坡识别的需求,开展全国滑坡InSAR调查时机已经成熟;2)设计的“相位共振增强PRE-InSAR”技术,针对大冗余SAR观测的快速计算,可以消除大部分不利的干涉条件,突出滑坡的位置、范围和活动强度,有效地完成适合大区域滑坡识别的InSAR数据处理,技术上具有推广潜力;3)辅助地貌和光学遥感图像解译,考虑地层岩性、制灾机理、诱发因素,总结出三江并流区活动性滑坡的10类发育地貌位置;4)共解译海拔4000 m以下活动性滑坡904处,主要分布在金沙江的汪布堆—波罗、松雄、中心绒,怒江的八宿,澜沧江的察雅、囊谦、德钦、黄登水库8个区段;5)活动性滑坡主要是古(老)滑坡堆积体的复活,对其影响大的环境要素依次是河流侵蚀、地形坡度、地层岩性、降水气温,活动构造和地震对活动性滑坡的影响在空间分布上并不直接显著,地灾与人类活动互馈是本区域滑坡发育的一大特点;6)InSAR识别结果较全面、客观地反映了活动性滑坡的自然发育规律,加深了对泛三江地区滑坡灾害的认识,但也应该看到,InSAR观测和活动性滑坡的解译具有多解性,制定标准化的InSAR识别工作流程,进行多源数据的融合观测是下一步努力的方向。